公开(公告)号：CN115859091B

公开(公告)日：2023-05-26

申请号：CN202211357219.8

申请日：2022-11-01

Applicant: 哈尔滨工业大学

Inventor： 廖敬骁 ,  张世平 ,  孙金玮 ,  董航程 ,  罗磊 ,  余维恩

IPC: G06F18/2131 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  G01M13/045 ,  G06F123/02

Abstract: 本发明提出一种轴承故障特征的提取方法、电子设备及存储介质，属于轴承故障特征提取技术领域。包括以下步骤：S1.将机械振动信号输入至多任务卷积神经网络中，进行卷积层和批归一化层的权重参数的优化；S2.多任务卷积神经网络输出包括两条支路；S3.将时域指标和包络谱指标求和计算损失函数；S4.对多任务卷积神经网络进行训练，得到最优的权重和学习参数；S5.将被测信号输入至S4所述训练后的多任务卷积神经网络进行盲反卷积，根据振动信号的包络谱识别具体的故障特征。本发明解决了现有技术中存在的粒子群算法受随机初始化参数和解空间限制、不利于寻找复杂的非凸优化问题的全局最优解的技术问题。

公开(公告)号：CN115859091A

公开(公告)日：2023-03-28

申请号：CN202211357219.8

申请日：2022-11-01

Applicant: 哈尔滨工业大学

Inventor： 廖敬骁 ,  张世平 ,  孙金玮 ,  董航程 ,  罗磊 ,  余维恩

IPC: G06F18/2131 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  G01M13/045 ,  G06F123/02

Abstract: 本发明提出一种轴承故障特征的提取方法、电子设备及存储介质，属于轴承故障特征提取技术领域。包括以下步骤：S1.将机械振动信号输入至多任务卷积神经网络中，进行卷积层和批归一化层的权重参数的优化；S2.多任务卷积神经网络输出包括两条支路；S3.将时域指标和包络谱指标求和计算损失函数；S4.对多任务卷积神经网络进行训练，得到最优的权重和学习参数；S5.将被测信号输入至S4所述训练后的多任务卷积神经网络进行盲反卷积，根据振动信号的包络谱识别具体的故障特征。本发明解决了现有技术中存在的粒子群算法受随机初始化参数和解空间限制、不利于寻找复杂的非凸优化问题的全局最优解的技术问题。